정진아
(Jin-A Jeong)
1
박승훈
(Sheng-Hoon Park)
2
유지용
(Ji-Yong Yu)
3
김의종
(Eui-Jong Kim)
4†
-
인하대학교 건축공학과 석사과정
(Graduate Student, Department of Architectural Engineering, Inha University, 100 Inha-ro, 22212, Korea)
-
한국건설생활환경시험연구원 제로에너지빌딩센터 선임연구원
(Senior Research Engineer, Zero Energy Building Center, Korea Conformity Laboratories, 7, Nambusunhwan-ro 319-gil, 06711, Korea)
-
삼성물산 건설부문 프로
(Principal Profressional, Samsung C&T, 26, Sangil-ro 6-gil, 05288, Korea)
-
인하대학교 건축학부 교수
(Professor, Department of Architectural Engineering, Inha University, 100 Inha-ro, 22212, Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
냉동기 시스템, 디지털 트윈, 다중회귀분석, 최적화
Key words
Chiller system, Digital twin, Multiple regression analysis, Optimization
기호설명
$abs$ ：
절댓값
$C$ ：
열용량 [kJ/K]
$Capacity$ ：
용량 [kJ/hr]
${COP}$ ：
성능 계수 [-]
$c_{{p}}$ ：
비열 [kJ/kg·K]
${ELT}$ ：
냉수 입구 온도 [℃]
${EST}$ ：
냉각수 출구 온도 [℃]
${FFLP}$ ：
총 부하 전력의 비율 [-]
$f$ ：
함수
${LLT}$ ：
냉수 출구 온도 [℃]
${LST}$ ：
냉각수 입구 온도 [℃]
$\dot{m}$ ：
유량 [kg/hr]
$n$ ：
총 데이터 개수
$P$ ：
전력 사용량 [kJ/hr]
${PLR}$ ：
부분 부하율 [-]
$\dot{Q}$ ：
부하 [kJ/hr]
$y$ ：
실제 측정값
$\hat{y}$ ：
예측값
$\overline{y}$ ：
실제 측정값 평균
하첨자
${cw}$ ：
냉각수
${chw}$ ：
냉수
${load}$ ：
부하
$\max$ ：
최대
${mea}$ ：
측정값
$\min$ ：
최소
${rated}$ ：
정격
${ratio}$ ：
정격대비 실제 비율
${rejected}$ ：
외부 방출
$sim$ ：
시뮬레이션 예측값
1. 서 론
전 세계적으로 에너지 자원을 효율적으로 사용하면서도 시스템 성능을 향상시키는 방법을 찾는 것이 필수적인 과제로 부상하고 있다. 이에 대응하여 각국
정부와 국제기구는 탄소 배출 저감 및 지속 가능한 발전을 목표로 다양한 정책을 도입하고 있으며, 이러한 정책은 산업 전반에 걸쳐 적용되고 있다. 대규모
산업 시스템에서 효율성을 높이는 것은 단순한 비용 절감 차원을 넘어 기업의 장기적인 경쟁력을 확보하기 위한 전략적 수단이기도 하다. 예를 들어, 제조업에서는
에너지 관리 시스템을 통해 공정 효율성을 개선하고, 데이터 센터와 같은 에너지 집약적 건물에서는 HVAC 시스템 최적화를 통해 운영비를 절감하는 등
다양한 산업 분야에서 에너지 효율성 개선이 활발히 이루어지고 있다.
에너지 효율성을 높이기 위한 첫 번째 단계는 현재 상태와 시간 경과에 따른 성능 변화를 진단하는 것이다. 이를 위해 시계열로 변화하는 시스템의 성능을
정확히 평가할 수 있는 모델 구축이 필요하다. 일반적으로 제조사에서 제공되는 성능 데이터는 해당 제품의 특정 환경 조건에서의 대표적인 성능만을 보여주기
때문에, 설치된 제품 간의 차이와 실제 운전 환경에서 발생하는 다양한 변동성을 충분히 고려하지 못하는 한계가 있다.(1) 따라서, 실제 운전 조건에서 시스템이 어떻게 작동하는지를 예측하려면 다양한 환경적 요인을 포함한 정확한 데이터 기반 모델이 필요하다.(2) 또한, 개별 설비 모델뿐만 아니라 복합적인 시스템 모델링을 통해 전체 성능을 평가할 수 있어야 한다.
최근 이러한 문제를 해결하기 위한 접근 방식으로 디지털 트윈(Digital twin) 기술이 주목받고 있다.(3) 디지털 트윈은 물리적 시스템의 디지털 복제본을 생성하여, 이를 기반으로 시스템의 동작을 정확하게 예측할 수 있게 한다. 이를 통해 연구자와 엔지니어는
시스템의 다양한 조건에서 성능을 예측하고, 최적화된 운영 전략을 도출할 수 있다.(4) 디지털 트윈은 시스템 성능을 실시간으로 모니터링하고 이를 피드백으로 활용해 지속적으로 성능을 개선하는 데 중요한 도구로 사용된다.
디지털 트윈 기술을 구현하기 위해 인공신경망(ANN)을 활용하는 접근도 많이 사용되고 있다. Chen et al.(5)은 인공신경망을 사용하여 냉동기 전력 소비를 모델링하고, 최소 전력 소비를 위한 냉동기 부하 최적화를 위해 PSO 최적화 알고리즘을 적용하였다. 또한
Wang et al.(6)은 냉동기 및 냉각탑 모델링에 ANN을 사용하여 각각의 전력 사용량을 예측하였다. Kim et al.(7)은 ANN 공기조화기(AHU)와 흡수식 냉각기의 전력 사용량을 ANN에 기반하여 예측 모델을 개발하였으며, 이는 학습 기간과 테스트 기간에 대해 약
14%와 약 19.5%의 예측 정확도를 보였다. Navid et al.(8)은 상업용 냉동기의 성능곡선 데이터에 ANN 모델을 적용하였다. 하지만, ANN과 같은 블랙박스 모델은 작동 원리를 설명하기 어렵고, 변수 간의 명확한
상관관계를 이해하기 어렵다는 한계가 있다. 또한, 훈련된 데이터 범위를 벗어난 경우 예측 성능이 급격히 저하되므로 많은 양의 데이터가 필요하다.(9)
본 연구에서는 이러한 한계를 극복하고자 최적화된 물리 모델을 구축하고, 다중 회귀 분석을 통해 냉동기의 성능곡선을 보정한 모델을 개발하고자 한다.
기존 연구에서는 다중 회귀 분석을 통해 시스템 성능을 예측하는 접근 방식이 주로 제시되어 왔으며, 이는 시스템 내 주요 변수 간의 관계를 명확하게
이해할 수 있는 장점을 가진다.(10) 또한, 물리적 모델과 결합하면 비교적 적은 데이터로도 신뢰성 있는 결과를 도출할 수 있다. 예를 들어, Bianco et al.(11)은 단순 회귀모델을 통해 주거 및 비주거 전력 사용량을 예측하였고, Mastrucci et al.(12)은 다중 선형 회귀 모델을 사용해 가스와 전기 소비를 예측하였다. 그러나 이러한 접근 방식은 개별적인 에너지 소비 예측에는 효과적일 수 있으나, 복잡한
산업용 시스템의 운전 조건이나 다양한 외부 요인을 충분히 반영하기에는 한계가 존재한다. 또한, 다중 회귀 분석도 데이터가 부족할 경우 운전 조건의
다양성을 반영하지 못하거나 특정 운전 조건에서 예측 성능이 저하되는 문제가 발생할 수 있다.
따라서, 본 연구에서는 최적화된 물리 모델과 회귀 분석을 결합한 예측 모델을 제안하여 냉동기의 성능을 실제 운전 조건에 맞추어 보정하고자 한다. 이를
통해 시스템의 신뢰성과 예측 성능을 향상시키는 것을 목표로 한다. 본 연구는 냉동기 시스템의 실제 운전 환경을 정밀하게 반영할 수 있는 기반을 마련하여
향후 시스템 진단 및 예측에 연구 결과를 활용하는 데 그 목적이 있다.
2. 연구 방법
본 연구의 연구 방법은 Fig. 1에 나타난 바와 같이 두 단계로 구성된다. 첫 번째 단계는 냉각탑과 냉동기 시스템을 각각 모델링하고 최적화하는 과정이다. 이 과정에서 동적 에너지
해석 프로그램인 TRNSYS를 활용하여 냉동기와 냉각탑의 물리 모델을 구축하고, 이를 바탕으로 최적화를 진행하였다. TRNSYS와 같은 물리 모델은
시스템의 주요 동작 메커니즘을 반영한 수식을 기반으로 설계되기 때문에, 입력 변수와 출력 변수 간의 직관적인 관계를 이해할 수 있으며, 실제 시스템의
동작 특성을 세부적으로 분석하는 데 유리하다. 또한, 특정 매개변수를 수정함으로써 시스템의 기능을 확장할 수 있는 유연성을 제공하며, 다양한 운전
조건에서의 성능을 평가할 수 있다.(13) 냉각탑과 냉동기의 각 모델은 독립적으로 최적화된 성능을 발휘하도록 개별적으로 모델링하고 최적화하였으며, 이후 통합 모델링 단계에서 두 모델 간의
상호작용을 충분히 반영할 수 있도록 설계하였다.
두 번째 단계는 통합된 냉각탑 및 냉동기 모델의 성능을 향상시키기 위한 성능곡선 보정 과정이다. 본 연구에서는 Capacity, COP, PLR과
관련된 주요 성능 데이터를 실제 운전 상황에 맞추어 보정한다. 냉각탑과 냉동기 모델링의 결과로 얻어진 EST(Entering source-side
temperature), LST(Leaving source-side temperature), 그리고 실측된 전력 사용량($P$)을 입력값으로 사용하였으며,
다중 회귀 분석(Multiple regression analysis)을 활용하여 기존 성능곡선을 보정한다. 실제 운전 환경에서의 동적 변화를 반영함으로써,
모델의 예측 정확성을 개선하고 시스템의 신뢰성을 높이는 것을 목표로 한다. 본 연구는 이러한 최적화된 물리적 모델을 바탕으로 냉동기 시스템의 실제
운전 조건을 효과적으로 반영하고, 궁극적으로 운영 효율성을 개선하는 데 기여하는 것을 목적으로 한다.
Fig. 1 A flowchart of the work for digital twinning a chiller system.
3. 시스템 모델링
3.1 냉동기 시스템
냉동기 시스템은 주로 냉각과 공조를 위한 열역학적 장치로, 열을 흡수하여 특정 공간의 온도를 낮추는 역할을 하며, 전체적인 그림은 Fig. 2와 같다. 이 시스템은 크게 냉각탑, 냉동기, 건물 내의 공조 설비로 구성되어 있으며, 각각의 요소는 효율적인 열 교환을 통해 시스템이 안정적으로
작동할 수 있도록 돕는다.
먼저, 냉동기는 건물 내에서 발생한 열을 냉수에서 흡수하고, 이 과정에서 냉수가 증발기를 지나며 냉매와 열을 교환해 차가워진다. 냉매는 압축기와 응축기를
거쳐 열을 외부로 방출하는데, 이때 응축기에서 냉각수로 열이 전달된다. 냉각수는 이 열을 냉각탑으로 이동시켜 대기로 방출한 후, 다시 냉동기로 돌아와
열 교환을 반복한다.
본 연구에서는 냉각탑에서 냉동기로 들어가는 온도를 Entering source-side temperature(EST), 냉동기에서 냉각탑으로 나가는
온도를 Leaving source-side temperature(LST)라고 하며, 건물 내부에서 열을 흡수한 냉수는 Entering load-side
temperature(ELT)와 Leaving load-side temperature(LLT)로 부르기로 한다. ELT 및 LLT는 부하와 설정 온도에
의해 정해지는 입력값이며, EST 및 LST는 예측값이다.
Fig. 2 Schematic of a typical chiller system and measurement data used for modeling.
3.2 모델 구축 활용 데이터
본 연구에서는 서울특별시의 한 대규모 업무용 건물을 대상으로, 2019년 6월 1일부터 7월 31일까지 두 달 동안 운전된 냉동기의 운전 데이터를
수집하여 이를 분석에 활용하였다. 수집된 데이터는 냉동기 시스템의 운전 정보와 기상 정보를 종합적인 모델링에 사용하였으며, 이를 통해 냉동기 시스템의
실제 운전 환경을 최대한 반영하고 외부 요인이 시스템 성능에 미치는 동적 특성을 분석하였다.
냉동기 모델에서는 초기 조건으로 Table 1에 정리된 정격 데이터를 사용하였다. 정격 데이터는 기본적으로 모델의 성능을 평가하고 초기 조건을 설정하는 데 활용되며, 이후 최적화 과정을 통해
정격 데이터는 변화한다. 입력 데이터로는 부하 측 운전 데이터를 입력해 주었다. 운전 데이터는 Fig. 3과 같이 부하 측에서 냉동기의 동작을 제어하는 제어 신호와 온도 및 냉수 유량을 포함하고 있다. 부하 변동에 따른 냉동기의 동적 특성을 시뮬레이션을
통해 파악함으로써, 실제적인 성능 예측을 도출할 수 있다.
냉각탑 모델에서는 기상 데이터를 입력값으로 활용하였다. Fig. 4에 제시된 건구온도와 상대습도를 바탕으로 TRNSYS의 Type33 컴포넌트를 사용하여 습구온도를 계산하였으며, 이를 통해 외부 기상 조건이 냉각탑과
냉동기 시스템에 미치는 영향을 반영하였다. 이러한 외부 기상 조건과 부하 측 온도 및 유량 데이터를 사용한 모델은 실제 시스템의 동적 특성을 반영함으로써,
시스템 성능 예측의 정확성을 높인다.
Fig. 3 Load-side temperature and flowrate used for TRNSYS modeling.
Fig. 4 Weather data used for TRNSYS modeling.
Table 1 Design specification used for modeling
|
Parameter
|
Value
|
Unit
|
|
Rated capacity
|
500
|
USRT
|
|
Rated COP
|
4.5
|
-
|
|
Cooling water flowrate
|
5,220
|
LPM
|
3.3 구성 요소별 모델 파라미터 최적화
냉각탑과 냉동기 시스템의 모델 파라미터 최적화는 전체 시스템 성능을 높이는 데 필수적인 과정이다. 또한, 온도를 최적화하는 것은 열교환 성능과 에너지
효율성에 직접적인 영향을 미치기 때문에 매우 중요한 작업이다. 각각의 시스템을 독립적으로 최적화함으로써 두 장비 간 상호작용에서 발생할 수 있는 복잡성을
줄일 수 있으며, 이를 통해 성능 분석을 명확하게 수행할 수 있다.
먼저 냉각탑의 경우, LST를 실측 데이터로 설정하고, EST를 최적화하는 방식으로 진행되었다. 환경 변수로는 시간별 외부 건구온도 및 습구온도를
입력값으로 사용하였고, 파라미터 최적화의 목적함수는 식(1)과 같이 EST의 실제 측정값과 시뮬레이션 값의 차이를 최소화하는 방식으로 설정된다.
냉동기의 경우, 냉각탑과는 반대로 EST를 실측 데이터로 고정하고, 식(2)의 목적함수를 통해 LST를 최적화한다. 이 방식을 통해 최적화된 LST가 시스템 전체 성능에 미치는 영향을 분석한다. 예측된 값과 실측값 간의 차이를
줄임으로써, 시스템 모델의 신뢰성을 높일 수 있다. 냉각탑과 냉동기 각각의 최적화 변수와 그에 대한 값은 Table 2에 제시하였다. 이러한 최적화 과정에서는 외부 기상 요인과 같은 다양한 변수를 고려하여 모델링을 진행한다. 이를 통해 외부 환경 조건에 따른 시스템
성능 변화를 예측하며, 실제 운전 상황에 맞게 모델을 개선한다.
Table 2 Optimized values for cooling tower and chiller
|
Parameter
|
Min
|
Max
|
Value
|
Unit
|
|
Cooling tower
|
|
|
500
|
USRT
|
|
Inlet fluid temperature at design
|
20
|
40
|
30
|
℃
|
|
Air flow rate at design
|
10000
|
300000
|
108063
|
kg/h
|
|
Fan power at design
|
50000
|
100000
|
80535.6
|
kJ/h
|
|
Natural convection airflow fraction
|
0
|
1
|
0.2
|
%
|
|
Natural convection capacity fraction
|
0
|
1
|
0.1
|
%
|
|
Chiller
|
|
|
|
|
|
Rated Capacity
|
5000000
|
9000000
|
7549392
|
kJ/h
|
|
Rated COP
|
3
|
6
|
4.35
|
-
|
3.4 통합 시스템 모델 냉각수 온도 예측 결과
본 연구에서는 냉각탑과 냉동기를 개별적으로 모델링하여 각 구성 요소의 성능을 최적화한 후, 이를 통합하여 전체 시스템 모델을 구축하였다. 개별 모델링
단계에서는 냉각수 온도를 실측값과 비교하며 최적화를 수행하였고, 이를 바탕으로 통합된 시스템 모델을 개발하였다.
통합 시스템 모델에서는 EST와 LST 모두 실측 데이터를 직접 입력값으로 사용하지 않았으며, 대신 냉각탑 모델과 냉동기 모델을 상호 연결하여 각
장비의 상호작용을 기반으로 온도를 예측하였다. 이러한 방식을 통해 실제 환경에서 냉각탑과 냉동기 간의 상호작용을 보다 명확히 모델링하여 시스템의 동적
특성을 반영하고자 하였다.
통합된 시스템 모델의 성능 평가는 RMSE와 CVRMSE 지표를 사용하여 이루어졌으며, 각각 식(3)과 식(4)에 의해 산출되었다. 분석 결과, Table 3과 같이 EST의 RMSE는 1.53, CVRMSE는 5.6%로 나타났고, LST의 RMSE는 1.5, CVRMSE는 4.9%로 확인되었다.
Fig. 5는 통합 시스템 모델의 결과를 시각화한 것으로, 예측된 EST와 LST 값을 실측값과 비교한 스캐터 플롯을 제시하고 있다. 이 결과는 통합된 모델이
냉각수 온도 변화를 적절히 예측함을 나타내며, 이를 통해 본 연구에서 제안한 통합 모델의 예측 정확성과 신뢰성을 검증할 수 있다.
Fig. 5 Comparison of measured and predicted values.
Table 3 RMSE and CVRMSE of the chiller system model
|
|
RMSE(℃)
|
CVRMSE(%)
|
|
EST
|
1.53
|
5.6
|
|
LST
|
1.53
|
4.9
|
4. 냉동기 성능곡선 최적화
냉동기의 성능은 용량, 냉수와 냉각수의 온도, 그리고 부하에 따라 달라진다. 이 변수들은 냉동기의 COP와 전력 사용량에 중요한 영향을 미치며, 따라서
정확한 성능 평가를 위해서는 각 변수의 변화에 따른 성능곡선 최적화가 필요하다.(14) 이를 위해 4장에서는 TRNSYS 내의 capacity ratio, COP ratio, 그리고 FFLP(Fraction of Full Load Power)
세 가지 성능 데이터를 수정하여, 다양한 운전 조건을 더 정확하게 반영할 수 있도록 한다.
4.1 Capacity ratio
Capacity는 일반적으로 시스템이 처리할 수 있는 용량을 의미하며 이를 계산하기 위해 열용량과 전력사용량을 함께 고려해야 한다. Capacity는
식(5)과 같이 $Capacity_{rated}$와 $Capacity_{ratio}$의 곱으로 나타낼 수 있다. $Capacity_{ratio}$는 식(6)처럼 시스템에서 유량 변화를 열용량의 비로 표현한 것으로 최대 유량 대비 실제 운전 유량을 비교하여 시스템의 성능을 상대적으로 평가하는 지표로 사용된다.
이를 계산하기 위해서는 유량 계산이 필수적이며, 유량 계산은 앞서 구축한 모델로 예측된 EST(Entering Source-side Temperature)와
LST(Leaving Source-side Temperature)를 이용하여 식(7)을 통해 계산한다. 이때 $\dot{Q}_{{rejected}}$는 식(8)과 같이 $\dot{Q}_{{load}}$와 실제 전력 사용량 $P$을 합산하여 산출된다.
이와 같이 계산된 유량 데이터를 바탕으로 $Capacity_{ratio}$를 최종적으로 계산한 후, 이를 종속변수로 설정하여 다중 회귀 분석을 수행하였다.
독립변수는 TRNSYS에서 제공하는 성능 데이터 구조와 EnergyPlus Engineering Reference를 참고하여 EST(Entering
Source-side Temperature), LLT(Leaving Load-side Temperature)로 선정하였으며 회귀식은 식(9)와 같다. 이 분석을 통해 냉동기 시스템의 Capacity가 환경 변화에 따라 어떻게 변동하는지 예측할 수 있다.
4.2 COP ratio
냉동기 시스템의 성능을 평가하는 핵심 지표 중 하나는 COP(Coefficient of Performance)이다. COP는 냉동기 시스템이 주어진
전력을 사용하여 얼마나 효율적으로 냉각 또는 난방 효과를 발생시키는지 나타내며, 에너지 관리 측면에서 매우 중요한 지표로 사용된다. 식(10)과 같이 $Q_{{load}}$를 실제 전력 사용량 $P$로 나누어 계산이 가능하며 이 값은 식(11)와 같이 ${COP}_{{rated}}$와 ${COP}_{{ratio}}$의 곱으로 나타낼 수 있다.
이를 바탕으로, $Capacity_{ratio}$와 동일한 방식으로 ${COP}_{{ratio}}$를 종속변수, EST, LLT를 독립변수로 선정하여
다중 회귀 분석을 진행하였다. 이를 통해 시스템 운전 조건에 따른 COP 변화를 예측할 수 있고 회귀식은 식(12)와 같다.
4.3 Fraction of full load power
FFLP(Fraction of full load power)란 최대 용량에서 사용되는 전력량 대비, 현재 부분 부하 상태에서 소비하는 전력량의 비율을
의미한다. 대부분의 냉동기 시스템은 항상 최대 용량에서 운전되지 않으며, 부분 부하 상태에서 운전되는 경우가 많기 때문에 FFLP는 실제 운전 조건에서
시스템이 얼마나 효율적으로 작동하는지를 나타낸다. FFLP는 식(13)과 같이 전력 사용량 산출식에 반영된다. 4.1절과 4.2절을 통해 Capacity와 COP는 각각 계산이 가능하므로 실제 전력사용량 $P$와 함께
식(13)에 대입하여 FFLP 산출이 가능하다.
FFLP는 TRNSYS의 성능곡선 구조에 의해 부분 부하율(PLR) 값에 따라 정해지며, PLR은 식(14)로 산출이 가능하다.
따라서 PLR 값에 따른 FFLP 변화를 예측하기 위해 다중 회귀 분석을 진행하였다. FFLP를 종속변수, PLR을 독립변수로 선정하여 분석을 진행하였고
회귀식은 식(15)와 같다.
5. 결과 및 분석
본 장에서는 기존 성능곡선 기반의 모델(Baseline performance curve model)과 성능곡선 최적화를 반영한 모델(Calibrated
performance curve model)을 비교 분석하였다. Table 4는 두 모델의 파라미터 최적화 및 성능곡선 보정 여부를 나타낸다. 이를 기반으로 두 모델 간의 전력 사용량 예측 결과를 비교하여 각각의 성능을 정량적으로
평가하고 보정된 성능곡선이 예측 성능을 얼마나 개선하는지 확인하고자 한다.
Table 4 Comparison of features between baseline and calibrated performance curve
model
|
|
Baseline performance curve model
|
Calibrated performance curve model
|
|
Parameter optimization
|
○
|
○
|
|
Performance curve calibration
|
×
|
○
|
5.1 기존 성능곡선 기반 모델의 전력사용량 예측 결과
3장에서 구축한 성능곡선 보정 없이 파라미터 최적화만 진행한 통합 시스템 모델의 전력 사용량 결과를 Fig. 6에 제시하였다. 이 모델은 부하 측에서는 제어 신호(Control signal), 온도, 유량 데이터를 모두 입력하였고, 열원 측에서는 냉각탑의 입력값인
기상 데이터만 입력하였다.
예측된 전력 사용량과 실제 측정된 전력 사용량 간의 차이는 Table 5와 같이 RMSE 68,441 kJ/hr, CVRMSE 6.7%로 나타났다. 이러한 오차는 모델의 정격 조건 하에서 최적화되었기 때문에 부분 부하
등 실제 운전 환경에서 발생하는 기기의 성능특성을 반영하지 못한 데 기인한다. 파라미터 최적화를 통해 일부 성능 개선을 끌어낼 수 있었지만, 냉동기
시스템이 실시간으로 변화하는 운전 조건에 적응하지 못했기 때문에, 예측된 전력 사용량은 실제 값과 차이를 보일 수밖에 없었다. 또한, 경년변화, 이상
검출 등 특정 구간에서 발생하는 성능 하락 등을 반영하려면 현장 데이터를 활용한 성능곡선 최적화가 필요하다.
Fig. 6 Comparison of measured and predicted values from the baseline performance
curve model.
Table 5 RMSE and CVRMSE of the baseline performance curve model
|
RMSE(kJ/hr)
|
CVRMSE(%)
|
|
68441
|
6.7
|
5.2 성능곡선 최적화를 반영한 모델의 전력사용량 예측 결과
다음으로, 실제 운전 데이터를 반영하여 냉동기의 성능 데이터를 보정한 모델의 전력 사용량 예측 결과를 Fig. 7에 제시하였다. 이 모델은 동일한 운전 조건에서 기존의 정격 조건 기반 모델과 달리, 실제 운영 환경에서 발생하는 동적인 변화를 반영하기 위해 현장
데이터를 기반으로 성능곡선을 최적화하였다. 실제 측정된 전력 사용량과 예측값 간의 차이는 Table 6과 같이 RMSE 32,767 kJ/hr, CVRMSE 3.2%로 나타났으며, 5.2절의 정격 조건 기반 모델과 비교했을 때 예측 정확도가 향상된
것을 확인할 수 있다. 예측 정확도와 함께 패턴이 실제와 유사하게 변화함으로써 추후 진단을 위한 디지털트윈 모델로 활용이 가능함을 알 수 있다.
보정된 모델은 전반적으로 기존 성능곡선 기반 모델에 비해 향상된 예측 성능을 보인다. 그러나 7월 30일경 특정 상황에서는 보정된 모델의 성능이 저하된
결과를 나타냈다. 이는 성능곡선의 계수를 최적화할 때 사용된 데이터가 주로 한여름 데이터를 반영한 반면, 늦여름에 입출구 온도가 변화하면서 학습하지
않은 영역에서 오차가 발생했기 때문으로 판단된다. 이러한 현상은 일반적으로 데이터 학습 기반의 최적 모델에서 발생할 수 있는 문제이며, 추후 전 구간의
데이터를 확보하거나, 설치된 냉동기의 특성데이터를 직접 활용하여 최적화에 반영함으로써 개선할 수 있을 것으로 생각된다.
또한, Fig. 6과 Fig. 7의 비교 결과, RMSE가 약 3% 감소한 것은 최적화된 모델이 기존 모델보다 실시간 운전 조건을 보다 정밀하게 반영하고 있음을 의미한다. 기존 데이터가
안정적인 운전 조건을 반영하고 있었기 때문에 성능 개선 폭이 크지는 않지만, 이러한 개선이 냉동기 시스템의 장기적인 성능 향상과 예측 정확도의 증가에
있어 중요한 역할을 한다. 대규모 냉동기 시스템에서는 예측 오차가 줄어드는 것만으로도 에너지 사용량과 운영 비용 절감에 누적적인 영향을 미칠 수 있다.
Fig. 7 Comparison of Measured and Predicted Values from the calibrated performance
curve model.
Table 6 RMSE and CVRMSE of the calibrated performance curve model
|
RMSE(kJ/hr)
|
CVRMSE(%)
|
|
32767
|
3.2
|
6. 결 론
본 연구에서는 냉각탑과 냉동기의 개별 모델링을 통해 각 구성 요소의 성능을 최적화한 후, 이를 통합하여 전체 시스템 모델을 구축하였다. 또한, 시스템의
주요 성능 데이터인 Capacity, COP, FFLP를 운전 데이터에 맞추어 보정하는 방식으로 모델의 예측 성능을 개선하고자 하였다. 주요 결과는
다음과 같다.
(1) 냉각탑과 냉동기를 개별적으로 모델링하여 주요 파라미터를 최적화하였다. 냉각탑의 경우 LST를 고정하고 EST를 최적화하였으며, 냉동기는 반대로
EST를 고정하고 LST를 최적화하였다. 이러한 과정을 통해 각 장비의 성능을 개선하였다.
(2) 개별 모델을 최적화한 후, 냉각탑과 냉동기 모델을 통합하여 시스템 간의 상호작용을 반영하는 통합 시스템 모델을 개발하였다. 이 통합 모델은
EST와 LST 모두를 예측값으로 설정하여 시스템의 동적 특성을 반영하였다. 성능 평가는 RMSE와 CVRMSE 지표를 사용하여 이루어졌으며, EST의
RMSE는 1.53, CVRMSE는 5.6%, LST의 RMSE는 1.5, CVRMSE는 4.9%로 확인되었다.
(3) 냉동기의 성능곡선을 운전 상황에 맞게 최적화하여 기존 정격 조건 기반의 모델과 비교했을 때 예측 오차가 크게 줄어든 것을 확인하였다. 기존
모델의 RMSE는 68,441 kJ/hr, CVRMSE는 6.7%였으나, 보정된 성능곡선을 사용한 모델의 RMSE는 32,767 kJ/hr, CVRMSE는
3.2%로 예측 정확도가 향상되었다. 기존 정격 조건 기반 모델은 실험 조건에만 맞추어 최적화되었기 때문에 실제 운전 환경의 동적 변화를 충분히 반영하지
못하지만, 보정된 성능곡선을 사용한 모델은 동적 변화를 효과적으로 반영하여 에너지 소비량 예측의 신뢰성을 높일 수 있음을 확인하였다.
본 연구는 물리 모델을 기반으로 하여 실제 운전 조건을 반영하는 통합 시스템 모델을 제시하였다. 물리 모델을 사용함으로써 데이터가 충분하지 않은 상황에서도
신뢰성 있는 결과를 도출할 수 있었으며, 냉동기 및 냉각탑 시스템의 동적 특성을 반영하여 성능곡선을 보정함으로써 예측 성능을 개선하였다. 향후 연구에서는
제안된 통합 모델을 보다 다양한 운전 조건과 복잡한 시스템에 적용하여 그 성능을 검증할 계획이며, 실시간 진단 기술과의 결합을 통해 최적 제어를 달성하고
냉동기 시스템의 효율적인 운영 방안을 모색할 예정이다.
후 기
이 연구는 한국연구재단의 연구비 지원을 받아 수행된 연구임(과제번호: 2021R1A2C4002936). 또한 기술지원을 해주신 삼성 E&C에 감사드립니다.
References
Machado, D. O., Chicaiza, W. D., Escaño, J. M., Gallego, A. J., de Andrade, G. A.,
Normey-Rico, J. E., ... and Camacho, E. F., 2023, Digital Twin of an Absorption Chiller
for Solar Cooling, Renewable Energy, Vol. 208, pp. 36-51.
Ho, W. T. and Yu, F. W., 2021, Improved Model and Optimization for the Energy Performance
of Chiller System with Diverse Component Staging, Energy, Vol. 217, pp. 119376.
Liu, M., Fang, S., Dong, H., and Xu, C., 2021, Review of Digital Twin about Concepts,
Technologies, and Industrial Applications, Journal of Manufacturing Systems, Vol.
58, pp. 346-361.
Singh, M., Fuenmayor, E., Hinchy, E. P., Qiao, Y., Murray, N., and Devine, D., 2021,
Digital Twin: Origin to Future, Applied System Innovation, Vol. 4, No. 2, p. 36.
Chen, C. L., Chang, Y. C., and Chan, T. S., 2014, Applying Smart Models for Energy
Saving in Optimal Chiller Loading, Energy and Buildings, Vol. 68, pp. 364-371.
Wang, L., Lee, E. W. M., Yuen, R. K., and Feng, W., 2019, Cooling Load Forecasting-based
Predictive Optimisation for Chiller Plants, Energy and Buildings, Vol. 198, pp. 261-274.
Kim, J. H., Seong, N. C., and Choi, W., 2020, Forecasting the Energy Consumption of
an Actual Air Handling Unit and Absorption Chiller Using ANN Models, Energies, Vol.
13, No. 17, p. 4361.
Moghaddas-Zadeh, N., Farzaneh-Gord, M., Ebrahimi-Moghadam, A., and Bahnfleth, W. P.,
2023, ANN-based Procedure to Obtain the Optimal Design and Operation of the Compression
Chiller Network–Energy, Economic and Environmental Analysis, Journal of Building Engineering,
Vol. 72, p. 106711.
Afram, A. and Janabi-Sharifi, F., 2014, Review of Modeling Methods for HVAC systems,
Applied Thermal Engineering, Vol. 67, No. 1-2, pp. 507-519.
Katić, D., Krstić, H., Otković, I. I., and Begić, H., 2024, Comparing Multiple Linear
Regression and Neural Network Models for Predicting Heating Energy Consumption in
School Buildings in the Federation of Bosnia and Herzegovina. Journal of building
engineering, p. 110728.
Bianco, V., Manca, O., and Nardini, S., 2013, Linear Regression Models to Forecast
Electricity Consumption in Italy, Energy Sources, Part B: Economics, Planning, and
Policy, Vol. 8, No. 1, pp. 86-93.
Mastrucci, A., Baume, O., Stazi, F., and Leopold, U., 2014, Estimating Energy Savings
for the Residential Building Stock of An Entire City: A GIS-based Statistical Downscaling
Approach Applied to Rotterdam, Energy and Buildings, Vol. 75, pp. 358-367.
Barrena, F., Montero, I., Miranda, M. T., Arranz, J. I., and Sepúlveda, F. J., 2024,
Experimental Performance Evaluation of Self-consumption Photovoltaic System with Energy
Storage using TRNSYS, Journal of Energy Storage, Vol. 92, p. 112147.
Afram, A., Janabi-Sharifi, F., Fung, A. S., and Raahemifar, K., 2017, Artificial Neural
Network (ANN) Based Model Predictive Control (MPC) and Optimization of HVAC Systems:
A state of the art Review and Case Study of a Residential HVAC System, Energy and
Buildings, Vol. 141, pp. 96-113.